Estimating the demand and cost-effectiveness of a hydrogen-based decarbonization strategy for airports
Notice bibliographique
Résumé
The aviation sector remains a significant source of emissions in Canada that must be decarbonized to meet its net-zero emissions target by 2050, as mandated by the Net-Zero Emissions Accountability Act. This study examines a 2050 scenario where 38 of Canada's largest airports operate as multimodal hydrogen airport hubs. An hourly, service-level modeling framework is developed to estimate hydrogen demand, addressing a key gap in the literature; it is applied to all 38 airports. A benefit-cost analysis evaluates the cost-effectiveness of this transition. Results show annual hydrogen demand of 5.6–8.2 MtH 2 by 2050, with aviation fuel comprising 98 % of the demand. Carbon abatement costs range from 320 to 2,130 CA$/tCO 2 airport-wide, and from 360 to 1,500 CA$/tCO 2 for aviation, suggesting hydrogen could compete with drop-in power-to-liquid synthetic aviation fuels under certain conditions. The broad range of estimates reflects significant uncertainties in hydrogen supply costs. • The study models hourly energy demand for multimodal hydrogen airport hubs. • Aviation comprises 98 % of hydrogen demand at major airports, 80 % at smaller ones. • The cost of carbon abatement (CCA) ranges from 320 to 2,130 CA$/tCO 2 . • Ground support equipment and heavy-duty vehicles achieve the lowest CCAs. • Hydrogen aircraft achieve a CCA of 360 to 1,500 CA$/tCO 2 , potentially rivaling those using sustainable aviation fuel.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».